les territoires étudiés

Les EPCI

  N Mean
Population 1249 53424

Les communes des métropoles de Paris, Lyon, Marseille

  N Mean
Population 324 31986

Les variables utilisées pour l’étude

Thématique Logement

  N Med IQR
X1ry_res 1573 85 15
X2ry_res 1573 5.6 11
Vacant_Home 1573 8.4 4.2
Houses 1573 78 32
Flats 1573 21 32
Nb_Rooms_1ry_res 1573 4.4 0.57
House_1ry_res 1573 79 29
Flat_1ry_res 1573 20 28
X1ry_res_bf_1919 1573 16 15
X1ry_res_19.45 1573 7.9 4.7
X1ry_res_46.70 1573 16 9.6
X1ry_res_71.90 1573 27 8
X1ry_res_91.05 1573 15 7.5
X1ry_res_06.15 1573 11 6
HH_Moving_Time_lt2y 1573 11 2.8
HH_Moving_Time_2to4y 1573 18 4.4
HH_Moving_Time_5to9y 1573 17 2
HH_Moving_Time_10to19y 1573 21 2.6
HH_Moving_Time_20to29y 1573 12 1.9
HH_Moving_Time_gt30y 1573 21 7.3
X1ry_res_Owner 1573 69 15
X1ry_res_Tenant 1573 19 6.1
X1ry_res_Social 1573 7.6 9
X1ry_res_FreeAcc 1573 1.2 1.6
X1ry_res_Carpark 1573 73 12
X1ry_res_0car 1573 11 6.9
X1ry_res_1car 1573 45 6.5
X1ry_res_2car 1573 36 10
X1ry_res_3.car 1573 7.5 3.3
Pop_per_1ry_res 1573 2.2 0.28
X1ry_res_gt0car 1573 89 6.9
Pop_per_1ry_res_Owner 1573 2.3 0.28
Pop_per_1ry_res_Tenant 1573 2 0.24
Pop_per_1ry_res_Social 1565 2.2 0.41
Pop_per_1ry_res_FreeAcc 1573 1.7 0.36
X1ry_res_Occupancy 1573 19 25
Owners_Occupancy 1573 16 19
Tenant_Occupancy 1573 1.3 2.2
Social_Occupancy 1573 0.82 2.7
FreeAcc_Occupancy 1573 0.067 0.15
Overcrowding_rate 1573 1.9 2.3

Thématique Emploi

  N Med IQR
X1564_Workforce_rate 1573 75 4.2
X1524_Workforce_rate 1573 44 7.6
X2554_Workforce_rate 1573 92 3.8
X5564_Workforce_rate 1573 55 7.7
X1564_men_Workforce_rate 1573 78 4
X1524_men_Workforce_rate 1573 48 9.2
X2554_men_Workforce_rate 1573 95 3.2
X5564_men_Workforce_rate 1573 56 9.3
X1564_women_Workforce_rate 1573 73 4.7
X1524_women_Workforce_rate 1573 39 6.5
X2554_women_Workforce_rate 1573 89 4.7
X5564_women_Workforce_rate 1573 53 7.3
X1564_Employed_rate_amg_WF 1573 88 4.6
X1524_Employed_rate_amg_WF 1573 75 8.1
X2554_Employed_rate_amg_WF 1573 90 4.4
X5564_Employed_rate_amg_WF 1573 90 3.7
X1564_men_Employed_rate_amg_WF 1573 89 4.4
X1524_men_Employed_rate_amg_WF 1573 75 8.9
X2554_men_Employed_rate_amg_WF 1573 91 4.1
X5564_men_Employed_rate_amg_WF 1573 91 3.8
X1564_women_Employed_rate_amg_WF 1573 88 4.8
X1524_women_Employed_rate_amg_WF 1573 74 9
X2554_women_Employed_rate_amg_WF 1573 89 4.7
X5564_women_Employed_rate_amg_WF 1573 90 4.1
X1564_Unemployed_rate_amg_WF 1573 12 4.6
X1524_Unemployed_rate_amg_WF 1573 25 8.1
X2554_Unemployed_rate_amg_WF 1573 10 4.4
X5564_Unemployed_rate_amg_WF 1573 10 3.7
X1564_NonWorking_amg_WF 1573 8.7 3.2
X1564_Student_amg_WF 1573 8.3 2.6
X1564_Retired_amg_WF 1573 7.8 3
X1564_OtherInactive_amg_WF 1573 5.1 2.5
X1564_men_Unemplyed_amg_WF 1573 18 9.2
X1564_women_Unemplyed_amg_WF 1573 11 5.8
X1564_Student_amg_NW 1573 25 9.1
X1564_Retired_amg_NW 1573 24 9.1
X1564_OtherInactive_amg_NW 1573 15 4.6
X1564_NonWorking_amg_POP 1573 33 7
X1564_Farmers_amg_WF 1573 2.7 5.4
X1564_CraftsBusinessShopkeepers_amg_WF 1573 8.5 4.7
X1564_HihgQualWorkers_amg_WF 1573 10 6
X1564_IntermediateProf_amg_WF 1573 23 6.6
X1564_BlueCollar_amg_WF 1573 23 10
X1564_WhiteCollar_amg_WF 1573 28 6.2
X1564_Farmers_amg_EmpWF 1573 1.6 3.4
X1564_CraftsBusinessShopkeepers_amg_EmpWF 1573 6.6 3
X1564_HihgQualWorkers_amg_EmpWF 1573 9.9 7.7
X1564_IntermediateProf_amg_EmpWF 1573 24 5.9
X1564_BlueCollar_amg_EmpWF 1573 24 11
X1564_WhiteCollar_amg_EmpWF 1573 28 4.6
X15._men_amg_empWF 1573 50 1.6
X15._women_amg_empWF 1573 50 1.6
X15._Salaried_amg_empWF 1573 86 7.6
X15._NonSalaried_amg_empWF 1573 14 7.6
X15._FullTime_amg_empWF 1573 83 3.5
X15._men_amg_salWF 1573 50 2.5
X15._women_amg_salWF 1573 50 2.5
X15._men_amg_nonsalWF 1573 64 4.1
X15._women_amg_nonsalWF 1573 36 4.1
X15._men_amg_FullTimeWF 1573 85 8.3
X15._women_amg_FullTimeWF 1573 15 8.3
X15._FullTime_amg_salWF 1573 82 4.2

Thématique Famille

  N Med IQR
SinglePerson_HH 1554 33 8.6
SingleMan_HH 1554 15 3.7
SingleWoman_HH 1554 18 5.4
OtherNoFamily_HH 1554 1.5 0.68
Family_HH 1554 65 8.9
NoChildFamily_HH 1573 45 9.2
ChildFamily_HH 1573 41 8.8
SingleParent_HH 1573 13 4.8
Farmer_HH 1554 1.3 2.4
CraftsBusinessShopkeepers_HH 1554 4.9 2
HighQualidied_HH 1554 6.8 6
Intermediate_HH 1554 15 5.5
BlueCollar_HH 1554 16 7.6
WhiteCollar_HH 1554 16 3.2
Retired_HH 1554 32 9.1
Other_HH 1554 4 2.7
X15._SinglePerson_HH 1573 38 6.9
Pop_SingleMan_HH 1554 6.7 2.4
Pop_SingleWoman_HH 1554 8.2 3.4
Pop_OtherNoFamily_HH 1554 1.5 0.77
Pop_Family_HH 1554 83 6.1
Pop_NoChildFamily_HH 1554 32 8.4
Pop_ChildFamily_HH 1554 55 8.9
Pop_SingleParent_HH 1554 12 4.3
Pop_Farmer_HH 1554 1.5 2.9
Pop_CraftsBusinessShopkeepers_HH 1554 6.1 2.3
Pop_HighQualidied_HH 1554 8.2 7.1
Pop_Intermediate_HH 1554 17 5.5
Pop_BlueCollar_HH 1554 19 9.1
Pop_WhiteCollar_HH 1554 17 3.6
Pop_Retired_HH 1554 22 8
Pop_Other_HH 1554 3.1 2.3
X1524_amg_15.POP 1573 12 3.1
X2554_amg_15.POP 1573 45 7.3
X5579_amg_15.POP 1573 35 6.9
X80._amg_15.POP 1573 7.9 3.4
X15._Single_amg_POP 1573 23 4.6
X15._Married_amg_POP 1573 46 4.6
X15._nonMarried_amg_POP 1573 54 4.6
X1524_amg_HH 1573 12 3
X2554_amg_HH 1573 46 7.2
X5579_amg_HH 1573 35 7.1
X80._amg_HH 1573 6.9 3
X1524_amg_Single 1573 3.5 2.5
X2554_amg_Single 1573 31 7.7
X5579_amg_Single 1573 45 6.1
X80._amg_Single 1573 19 5.3
Family_w_Children_amg_HH 1573 55 9.2
Single_Parent_Family_amg_HH 1573 13 4.8
Family_wo_Children_amg_HH 1573 45 9.2

Thématique Revenus

  N Med IQR
D1_st_Living 1546 12120 2128
Median_st_Living 1563 21210 3020
D9_st_Living 1546 34980 6435
Interdecile_91_Ratio 1546 2.9 0.57
Taxable_HH 1546 48 14
Poverty_amg_Owners 1460 7 4.4
Poverty_amg_Tenants 1498 26 10
X.30_Poverty 758 21 9.6
X3039_Poverty 1255 16 9.3
X4049_Poverty 1380 15 8.8
X5059_Poverty 1309 14 7.4
X6074_Poverty 1203 9.8 5.2
X75._Poverty 879 11 5.5
Poverty 1526 13 6.9
Activity_Income 1546 71 14
Salary_Income 1546 62 16
Unemployment_Benef 1546 2.8 0.7
Self.Employment 1546 5.7 2.6
Pensions_Annuities 1546 30 10
Estate 1546 9.4 2.7
Social_Benef 1546 5.1 2
Family_Benef 1546 2.1 0.7
Social_Minima 1546 1.9 1.2
Housing_Benef 1546 1.1 0.6
Tax 1546 -16 3.3

Thématique Activité

  N Med IQR
Wk_Res_Municipality 1573 27 17
Wk_Res_County.Municipality 1573 54 25
Wk_Res_Region.County 1573 4.8 13
Wk_Res_Country.Region 1573 1.7 2
Wk_Dom_Com_Abroad 1573 0.18 0.23
noTransport_toWk 1573 4.7 3
Walk_toWk 1573 5 3.3
Bike_toWk 1573 1 1
Motorbike_toWk 1573 1.1 0.73
Drive_toWk 1573 83 8.9
PublicTrans_toWk 1573 3.1 6.1
X15._Men_amg_salWF 1573 50 2.5
X15._Women_amg_salWF 1573 50 2.5
X15._PermanentContract_amg_salWF 315 83 5.8
X15._ShortTermContract_amg_salWF 315 11 5.4
X15._InterimContract_amg_salWF 315 1.1 1.5
X15._SubsidizedWork_amg_salWF 315 1.2 1.5
X15._ApprenticeContract_amg_salWF 315 2.3 1.6
X15._SelfEmployed_amg_nonsalWF 315 64 11
X15._Employers_amg_nonsalWF 315 35 11
X15._caregivers_amg_nonsalWF 315 0.89 2

Thématique Formation

  N Med IQR
X0205_School 1573 74 5
X0610_School 1573 98 0.97
X1114_School 1573 98 0.78
X1517_School 1573 96 2.1
X1824_School 1573 38 17
X2529_School 1573 3.5 3
X30._School 1573 0.66 0.34
X15._NoDiploma_amg_WF 1573 23 8.4
X15._CertifGeneEducation_amg_WF 1573 5.6 1.4
X15._VocationalGraduate_amg_WF 1573 28 7
X15._HighSchoolGraduate_amg_WF 1573 17 2.1
X15._HSG.2_amg_WF 1573 11 3.1
X15._HSG.4_amg_WF 1573 7.7 3.7
X15._HSG.5._amg_WF 1573 5.8 5.1
X15._HighEducation_amg_WF 1573 25 12
X15._men_NoDiploma_amg_mWF 1573 20 7.4
X15._men_VocationalGraduate_amg_mWF 1573 34 9.6
X15._men_HighSchoolGraduate_amg_mWF 1573 17 2.2
X15._men_HighEducation_amg_mWF 1573 23 12
X15._women_NoDiploma_amg_wWF 1573 25 9.5
X15._women_VocationalGraduate_amg_wWF 1573 23 4.9
X15._women_HighSchoolGraduate_amg_wWF 1573 18 2.3
X15._women_HighEducation_amg_wWF 1573 26 12
X15._MenOnWomen_NoDiploma 1573 76 13
X15._MenOnWomen_VocationalGraduate 1573 135 25
X15._MenOnWomen_HighSchoolGraduate 1573 89 10
X15._MenOnWomen_HighEducation 1573 82 8.5

Thématique Population

  N Med IQR
X0014_amg_POP 1573 18 3.7
X1529_amg_POP 1573 18 3.7
X3044_amg_POP 1573 18 3.2
X4559_amg_POP 1573 21 1.7
X6074_amg_POP 1573 18 4.8
X7589_amg_POP 1573 8.7 3.6
X90._amg_POP 1573 1.3 0.77
Men 1573 49 1.3
X0019_amg_POP 1573 23 4.3
X2064_amg_POP 1573 55 3.9
X65._amg_POP 1573 21 7.8
X15._Farmers_amg_POP 1573 0.95 1.9
X15._CraftsBusinessShopkeeper_amg_POP 1573 3.8 1.5
X15._ManagersHigherIntellectProf_amg_POP 1573 5.6 5
X15._IntermediateProf_amg_POP 1573 13 4.8
X15._WhiteCollar_amg_POP 1573 16 2.7
X15._BlueCollar_amg_POP 1573 13 5.8
X15._Retired_amg_POP 1573 30 9.5
X15._OtherNoActivity_amg_POP 1573 14 4.4
X0014_men_amg_mPOP 1573 18 3.8
X1529_men_amg_mPOP 1573 15 3.6
X3044_men_amg_mPOP 1573 18 3
X4559_men_amg_mPOP 1573 21 1.9
X6074_men_amg_mPOP 1573 18 5.2
X7589_men_amg_mPOP 1573 7.3 3.2
X90._men_amg_mPOP 1573 0.73 0.47
X0019_men_amg_mPOP 1573 25 4.6
X2064_men_amg_mPOP 1573 55 3.5
X65._men_amg_mPOP 1573 19 7.2
X15._men_Farmers_amg_mPOP 1573 1.5 2.9
X15._men_CraftsBusinessShopkeeper_amg_mPOP 1573 5.6 2.2
X15._men_ManagersHigherIntellectProf_amg_mPOP 1573 6.8 6.5
X15._men_IntermediateProf_amg_mPOP 1573 13 4.6
X15._men_WhiteCollar_amg_mPOP 1573 7.2 3.1
X15._men_BlueCollar_amg_mPOP 1573 22 8.5
X15._men_Retired_amg_mPOP 1573 29 8.9
X15._men_OtherNoActivity_amg_POP 1573 11 3.7
X0014_women_amg_wPOP 1573 17 3.8
X1529_women_amg_wPOP 1573 14 3.5
X3044_women_amg_wPOP 1573 18 3.5
X4559_women_amg_wPOP 1573 20 1.7
X6074_women_amg_wPOP 1573 18 4.6
X7589_women_amg_wPOP 1573 9.9 4.1
X90._women_amg_wPOP 1573 1.9 1.1
X0019_women_amg_wPOP 1573 22 4.4
X2064_women_amg_wPOP 1573 54 4.5
X65._women_amg_wPOP 1573 23 8.3
X15._women_Farmers_amg_wPOP 1573 0.44 0.97
X15._women_CraftsBusinessShopkeeper_amg_wPOP 1573 2.1 1
X15._women_ManagersHigherIntellectProf_amh_wPOP 1573 4.5 3.7
X15._women_IntermediateProf_amg_wPOP 1573 14 5.2
X15._women_WhiteCollar_amg_wPOP 1573 24 4.1
X15._women_BlueCollar_amg_wPOP 1573 4.8 3.2
X15._women_Retired_amg_wPOP 1573 30 10
X15._women_OtherNoActivity_amg_wPOP 1573 16 5.2

Thématique Immigration

  N Med IQR
French_nlty 1239 96 5.3
Stranger 1239 4 5.3
Immigrant 1554 5.4 6.1
French_nlty_amg_Men 1239 96 5.5
Stranger_amg_Men 1239 4.1 5.5
Immigrant_amg_Men 1554 5.4 6.2
French_nlty_amg_Women 1239 96 5.1
Stranger_amg_Women 1239 3.8 5.1
Immigrant_amg_Women 1554 5.5 6.2
Res_Abroad_2017 1239 0.25 0.26

Thématique Géographie

  N Med IQR
densite 1573 61 105
latitude 1231 47 3.7
longitude 1231 4.1 4.3
SO.NE 1231 1 0.46
NO.SE 1231 -0.021 0.46

Manhattan

Dates clés de la vaccination en France

  • 6 février 2021 (S05) : La vaccination a été ouverte à l’ensemble des professionnels de santé et du secteur médico-social, aux aides à domicile intervenant auprès de personnes vulnérables et aux pompiers quel que soit leur âge.
  • 19 février 2021 (S07) : La vaccination est ouverte aux personnes de 50 à 64 ans inclus à risque de formes graves de Covid-19, comme par exemple le diabète ou l’obésité, qui peuvent être vaccinées dans leurs structures de soins, notamment à l’hôpital. Depuis le 25 février 2021, elles peuvent se faire vacciner directement chez un médecin de ville.
  • 2 mars 2021 (S09) : les personnes âgées de plus de 75 ans peuvent être vaccinées par le vaccin AstraZeneca chez un médecin de ville (spécialiste ou médecin généraliste).
  • 15 mars 2021 (S11) : la vaccination en pharmacie est possible pour les personnes de plus de 50 ans atteintes de comorbidités. Les patients éligibles au vaccin AstraZeneca n’auront pas besoin d’une prescription médicale et pourront se rendre directement en officine.
  • 25 mars 2021 (S12) : toutes les personnes âgées de 70 ans et plus peuvent obtenir des rendez-vous en centre de vaccination pour y recevoir le vaccin Moderna ou Pfizer-BioNtech à partir du samedi 27 mars 2021. Celles qui sont éligibles au vaccin AstraZeneca peuvent être vaccinées chez un pharmacien ou un médecin de ville (médecin généraliste, médecin spécialiste, ou médecin du travail).
  • 12 avril 2021 (S15) : les personnes de 55 ans et plus quel que soit leur lieu de vie et leur état de santé (avec ou sans comorbidités) peuvent être vaccinées chez un pharmacien, un infirmier ou un médecin de ville (médecin généraliste, médecin spécialiste, ou médecin du travail) avec le vaccin Vaxzevria (AstraZeneca).
  • 16 avril 2021 (S15) : les personnes de 60 à 69 ans et plus bénéficient de l’extension de la campagne vaccinale par Pfizer et Moderna (en centre de vaccination).
  • 1er mai 2021 (S17) : les personnes de plus de 18 à 49 ans souffrant de comorbidité(s) peuvent être vaccinées en centre de vaccination par Pfizer et Moderna, sur déclaration de leur(s) comorbidité(s) et sans avoir à présenter une prescription médicale.
  • 10 mai 2021 (S19) : les personnes de 50 ans et plus quel que soit leur lieu de vie et leur état de santé (avec ou sans comorbidités) peuvent être vaccinées en centre de vaccination par Pfizer et Moderna.
  • 12 mai 2021 (S19) : toutes les personnes de 18 à 49 ans peuvent prendre rendez-vous pour se faire vacciner en centre de vaccination pour des injections avec les vaccins Pfizer-BioNTech ou Moderna ayant lieu le jour même ou le lendemain.
  • 27 mai 2021 (S21) : toutes les personnes majeures peuvent prendre rendez-vous pour se faire vacciner en centre de vaccination pour des injections avec les vaccins Pfizer-BioNTech ou Moderna à compter du 31 mai 2021.
  • 15 juin 2021 (S24) : les 12 à 17 ans inclus ans peuvent se faire vacciner avec le vaccin Pfizer-BioNTech en centre de vaccination. Le 24 juillet 2021, l’Agence européenne du médicament (EMA) a délivré une autorisation du vaccin Moderna sur lequel la HAS a rendu un avis favorable le 28 juillet.
  • 12 juillet 2021 (S28) : annonce du président le la république concernant la mise en place du pass sanitaire.
  • 9 août 2021 (S32) : mise en place de l’obligation du passe sanitaire dans les lieux concernés.
  • 1er septembre 2021 (S35) : une campagne de rappel est mise en place pour stimuler le système immunitaire des plus vulnérables : les résidents d’EHPAD et d’USLD, les personnes de 65 ans et plus vivant à domicile, les personnes souffrant de comorbidité(s), les personnes atteintes de pathologies à haut risque de forme grave, les personnes ayant été vaccinées avec le vaccin Janssen.
  • 15 septembre 2021 (S37) : l’obligation vaccinale concernerait tous les personnels des établissements de santé, établissements d’hébergement pour personnes âgées dépendantes (Ehpad) et établissements pour personnes en situation de handicap et tous les professionnels ou les bénévoles en contact avec des personnes âgées ou vulnérables, y compris à domicile. Cette mesure a fait l’objet d’un projet de loi relatif à la gestion de la crise sanitaire examiné par le Parlement depuis le 20 juillet 2021.

Protocole

Pour construire les graphiques suivants, chaque variable a été dichotomisée par rapport à la médiane (1 pour supérieur à la médiane et 0 pour inférieur à la médiane).

Pour chaque semaine de l’année 2021, les 25 % des territoires les moins vaccinés sont étiquetés 1 et les autres 0.

On calcule l’odds ratio pour chaque variable. Cela permet de repérer les variables qui agissent le plus sur le taux de vaccination.

Dans ls graphique suivants, chaque variable a une position fixe sur l’axe des abscisses.

L’axe des ordonnées représente le maximum entre l’odds ratio et son inverse. Ainsi une variable qui agit fortement sur le taux de vaccination aura une position élevée sur le graphque indépendamment de l’influence positive ou négative de son influence. Les variables sont classées par thématique.

La grosseur de chaque point est proportionnelle à \(-\log_{10}(p)\).

Puis pour connaître l’influence de chaque variable, on ne trace uniquement l’odds ratio et enfin son inverse.

Une variable tracée avec un triangle pointe en gaut indique que plus la valeur de la variable est élevée, plus le territoire est vacciné. À l’inverse, si la variable est symbolisée avec un triangle pointe en bas, une valeur élevée de la variable indique un territoire moins vacciné.

Données cumulées

Données à la semaine non cumulées

Par classe d’âge

0 - 19 ans

données à la semaine

vacc_com = read_csv2(url(paste0("https://datavaccin-covid.ameli.fr/explore/dataset/donnees-de-vaccination-par-commune/download/?format=csv&refine.classe_age=", "00-19", "&refine.semaine_injection=2021-", "31", "&timezone=Europe/Berlin&lang=fr&use_labels_for_header=true&csv_separator=%3B"))) %>%
      mutate(codgeo = as.factor(commune_residence)) %>%
      mutate(taux_cumu_1_inj = as.numeric(taux_cumu_1_inj))
    
    vacc = read_csv2(url(paste0("https://datavaccin-covid.ameli.fr/explore/dataset/donnees-de-vaccination-par-epci/download/?format=csv&refine.semaine_injection=2021-", "31", "&refine.classe_age=", "00-19", "&timezone=Europe/Berlin&lang=fr&use_labels_for_header=true&csv_separator=%3B"))) %>%
      mutate(codgeo = as.factor(epci)) %>%
      mutate(taux_cumu_1_inj = as.numeric(taux_cumu_1_inj)) %>%
      plyr::rbind.fill(vacc_com)
    
test = vacc %>% inner_join(LOG_fact %>%
                      select(codgeo, Overcrowding_rate)) %>%
  mutate(taux_1_inj = binarisation(as.numeric(taux_1_inj), 0.25))

summary(test$Overcrowding_rate)
summary(test$taux_1_inj)

données cumulées

20 - 39 ans

données à la semaine

données cumulées

40 - 54 ans

Données à la semaine

Données cumulées

55 - 64 ans

Données à la semaine

Données cumulées

65 - 74 ans

Données à la semaine

Données cumulées

75 ans et plus

Données à la semaine

Données cumulées

Couverture vaccinale par tranche d’âge

semaine_injection 00-19 20-39 40-54 55-64 65-74 75 et +
2021-22 1.78 27.17 44.88 64.26 75.75 77.12
2021-27 9.66 44.18 59.59 72.13 80.59 79.82
2021-31 20.29 63.71 73.73 80.59 85.02 82.4
2021-34 25.26 70.13 78.86 83.87 86.92 83.82 
data = NULL
for (i in 2:last_week){
  data = bind_rows(
    data,
    make_data_covid(i) %>%
      arrange(theme, id) %>%
      mutate (pos = row_number(),
              week = i)
  )
}
data1 = data
data = data1 %>%
  # filter(Variable %in% c("NO-SE",
  #                        "Overcrowding_rate",
  #                        "Interdecile_91_Ratio",
  #                        "Unemployment_Benef",
  #                        "Immigrant",
  #                        "Pop_NoChildFamily_HH")) %>%
  filter(week >= 22) %>%
  mutate(ban = as.factor(if_else(week <27, 0, 1)))
p = data %>%
  # filter(ban == 0) %>%
  ggplot() +
  aes(x = week, y = log(`max_OR-inv_OR`), color = Variable, alpha = 0.5) +
  geom_point(size = 0.5) +
  # geom_vline(aes(xintercept = 26.5)) +
  geom_smooth(aes(fill = ban), size = 0.5, method = "lm", se = F)+
  theme_bw() +
  theme(legend.position = "none") 
# ggplotly(p)



# plot(data$`max_OR-inv_OR`,
#      type="n",
#      ylim=c(00,12),
#      xlab="Week",
#      ylab="log(Interdecile_91_Ratio)",
#      bty="l",
#      xaxt="n")
# rect(26.5,0,34,12,col=grey(0.9),border=F)
# points(log(data$`max_OR-inv_OR`[data$ban==0]),cex=0.7)